Ultralytics YOLO Vision 2026 的主要亮点！

9 月 13 日，Ultralytics YOLO Vision 2026 (YV26) 正式开幕，再次将全球计算机视觉社区的成员聚拢到线下与线上。今年的主题“开放视觉，服务现实世界”为当天的活动定下了基调，阐明了开源根基在制造业、物流业、机器人以及安防等各个生产系统中所发挥的重要作用。

企业领袖、创始人、工程师、研究人员、学生以及开源贡献者座无虚席，同时还有更多观众在 YouTube 上同步观看。在这篇文章中，我们将带你回顾当天的重大发布，包括 Ultralytics YOLO27 的发布、Ultralytics Platform 的重大更新、主题演讲以及让 YV26 令人难忘的社区时刻。

开场致辞：Ultralytics 关于开放、现实世界 AI 的愿景#

活动在 Ultralytics 创始人兼首席执行官 Glenn Jocher 与增长副总裁 Paula Derrenger、高级机器学习工程师 Jing Qiu 的主题演讲中拉开帷幕。他们共同阐述了当天的活动主题：当视觉 AI 保持开放、易用，并由在实际业务中部署它的开发者（而不仅仅是在实验室中进行基准测试的人）来塑造时，它就能创造最大的价值。

图 1. Ultralytics YOLO Vision 2026 展览区。

这一主题为接下来的议程奠定了基础。在 YV26 上，模型架构与模型训练之后的环节受到了同样的重视，例如模型如何在生产环境中进行部署、监控和迭代。这一主线贯穿了当天的两项重磅发布。

Ultralytics YOLO27：全新旗舰代际，现场隆重发布#

Ultralytics YOLO Vision 2026 上的重磅发布是 YOLO 家族的下一个旗舰代际 —— Ultralytics YOLO27。YOLO27 不仅仅是一次渐进式的更新，它还将该系列拓展到了更多的任务、模型架构和专业应用中。

本次发布围绕三大支柱展开：

• Ultralytics YOLO27： 包含 28 个模型的阵容，涵盖四个尺寸（n、s、m 和 l）以及七项任务：目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计和定向目标检测。其中紧凑型模型专为快速边缘部署而设计，而较大的模型则优先考虑生产 GPU 工作负载和对准确性要求极高的应用。YOLO27l 是 Ultralytics 首个在 COCO 上超越 60 mAP 的模型，且每个尺寸都采用了大家熟悉的 Ultralytics 统一接口。
• Ultralytics YOLO27 Enterprise 模型： 针对零售、仓储、安防和航测视觉 AI 等高需求企业级应用而创建的领域特定预训练模型。通过对这些领域常见的对象、环境和边缘情况进行训练，这些模型将为团队构建专业、生产就绪的检测系统提供更强大的起点。
• Ultralytics YOLOE-27： Ultralytics 下一代实时开放词汇检测和分割模型。YOLOE-27 旨在通过文本、视觉或无提示词推理来识别对象，从而将视觉系统的应用范围扩展到固定的预定义类别集合之外。

这三大支柱共同推动 YOLO27 超越了单一模型的发布，使其成为一个更广泛的系列：通用的基础模型、一组针对领域调优的 Enterprise 变体，以及一个设计用于直接接入 Ultralytics Python package 中现有 LLM 接口的开放词汇模型。

YOLO27 已在 YV26 的舞台上亮相，并将于今年晚些时候推出。Join the waitlist 以在它发布的第一时间收到通知。

Ultralytics Platform：自动训练、智能体与监控#

在模型发布之后，团队将目光转向 Ultralytics Platform，并演示了它是如何简化计算机视觉系统构建的日常工作的。三大核心焦点展示了 Ultralytics Platform 如何减少数据准备与在生产中运行模型之间的手动工作量。

• AutoTrain： 一种用于训练、比较和改进模型的对话式体验。用户可以用简单的语言描述他们的目标，然后通过查找数据集、启动训练运行、比较结果以及准备部署模型等操作来完成任务。
• Agents： 一个可视化画布，用于将图像、YOLO 模型、视觉语言模型、条件和操作连接成完整的工作流。例如，当 YOLO 检测到人员时，管道可能会调用视觉语言模型，或者将置信度低的预测发送到数据集中进行人工复查。模板可帮助用户从常见模式开始，然后再将其调整到自己的应用中。
• Monitoring： 对已部署端点的内置可视化功能，包括请求量、延迟、错误、健康状况和日志。付费的专用端点还提供实时的预测统计数据以及用户可以检查并保存到数据集中的临时示例。

这些功能共同构建了一个更加互联的模型生命周期：准备数据、训练和比较模型、部署表现最好的结果、围绕其预测构建工作流、监控生产环境行为，并将有用的示例反馈到下一个训练周期中。

嘉宾演讲：从边缘芯片到具身智能#

除了产品发布之外，本次议程还汇集了来自整个 AI 生态系统的领袖，共同探讨当今现实世界中的视觉 AI 部署是什么样的。

• 建筑与工业巡检： Keith Povich 详细介绍了如何应用 Ultralytics YOLO26 来理解建筑工地，从简单的目标检测迈向场地方面的上下文理解，标记跨学科冲突并为专业审核准备有据可查的修正方案。
• 面向视觉 AI 的开放计算： Alex Zhang 展示了 Ultralytics YOLO 如何通过 PyTorch 和 ROCm 在 AMD GPU 上运行，涵盖从实验、训练到现实世界的推理。
• 边缘加速： 来自 NVIDIA、Intel 和 Qualcomm 的演讲涵盖了将 YOLO 模型从训练加速到在下一代边缘硬件上部署的过程，其中包括 Intel 针对 Core Ultra 处理器优化的 OpenVINO™。
• 实地机器人技术： Lisa Li 分享了全球创作者通过 D-Robotics RDK 在现实世界的机器人上部署 Ultralytics YOLO 的案例故事与基准测试。
• 具身视觉 AI： Paul Li 讨论了将机器人研究转化为可靠的现实世界机器人系统的工作，以及将感知技术从实验室带入正常工作的机器人所面临的实际挑战。
• 为人道主义服务的 AI： James Ong 博士的演讲将视野从单一产品扩展开来，探讨了在大规模部署视觉 AI 时所伴随的更广泛的责任。
• 价值的下一步流向： Steve Nouri 探讨了随着模型功能越来越强大且日益商品化，AI 经济学将如何发生转变，并认为持久的优势将不来自模型本身，而是来自数据、上下文、工作流和信任。

最后，活动在由模型开发者、硬件创新者以及构建真实产品的团队参与的小组讨论中落下帷幕，大家共同探讨了这些技术如何融合，以及为了将更强大的视觉 AI 引入现实世界，接下来需要做些什么。

展位、工作坊与活动现场的现场演示#

如果说舞台展示探讨的是视觉 AI 的发展方向，那么活动现场则展示了其中有多少技术已经在当今落地运行。YV26 在全天活动中安排了三个专门的演示休息时间，外加一个完整的午餐时段，让与会者有充足的时间亲自动手体验，而不仅仅是坐在座位上观看。

今年的演示支撑了现场的大部分空间：

• LimX Dynamics 在现场将具身 AI 硬件带入现实，让与会者近距离了解像 YOLO 这样的感知模型如何接入真实的机器人平台。
• D-Robotics 展示了其边缘 SoC 开发套件，延续了历届 YOLO Vision 活动中关于在单个统一堆栈上运行感知、运动控制和决策制定的讨论。
• Axera 演示了专为高效、低功耗推理而构建的芯片和计算平台，让与会者能够比较相同的 YOLO 模型在不同的边缘硅片上的表现。

除了赞助商展位之外，AMD 还举办了一场专门的动手工作坊，指导各小组直接在 AMD ROCm 和 AMD 硬件上部署 Ultralytics YOLO，这是对当天早些时候在主舞台上进行的 AMD 演讲的技术补充。

图 2. 在 Ultralytics YOLO Vision 2026 上举办的工作坊

演示间隙也为 Ultralytics 团队提供了空间，让他们通过 Ultralytics Platform 上的自动训练与智能体现场演练，将当天的发布内容直接交到与会者手中，让人们可以亲自尝试 Ask AI 并自行构建工作流，而不仅仅是在舞台上观看演示。

正如往届一样，一些最精彩的时刻发生在这些间隙空间中。从 Ultralytics 职业发展计划到周边商品店，与会者在展位上交流部署挑战的心得，向合作伙伴工程师排队提问，并延续了从前一年 YV25 伦敦和深圳展会开始的对话。无论舞台上的技术每年发生多大变化，企业领袖、开源贡献者、学生和爱好者并肩站立在同一个展位前的这种纽带，依然是每一场 YOLO Vision 活动的灵魂所在。

要点总结#

YOLO Vision 2026 展示了 Ultralytics 在两个互联前沿上的推进：通过 YOLO27、Enterprise 模型和开放词汇功能来扩展 Ultralytics YOLO 家族，同时通过 Ultralytics Platform 让完整的模型生命周期变得更加易用。

这些发展指向了这样的视觉 AI：它不仅速度更快、准确度更高，而且在现实世界环境中训练、连接、部署、监控和改进起来也更加轻松。

立即探索 Ultralytics Platform，并 join the waitlist 以在 YOLO27 临近发布时获取更新。加入我们的 community 和 GitHub repository，共同塑造未来的发展。